Vol. 3, No. 3, Desember 2020, hlm. 137-142 p-ISSN: 2614-8897
DOI: 10.33387/jiko e-ISSN: 2656-1948
137
ANALISIS ALGORITMA K-MEANS UNTUK KLASTERISASI TINDAK PIDANA
KORUPSI DI WILAYAH HUKUM INDONESIA
Wahyu Saputro1, Moh Reza Pahlevi 2, Arief Wibowo3
1,2,3Magister Ilmu Komputer, Fakultas Ilmu Komputer
Universitas Budi Luhur
Email: 1[email protected], 2[email protected], 3[email protected]
(Naskah masuk : 24 Juli 2020,diterima untuk diterbitkan: 23 September 2020) Abstrak
Pasca kemerdekaan, Indonesia masih menghadapi perang yaitu perang melawan korupsi yang sudah menjadi budaya di Indonesia selama ini. Ditahun 1999 pemerintah telah mengeluarkan UU No 31 tentang pemberantaasan korupsi dan pada tahun 2001 pemerintah memperbaruhinya dengan UU No 20. Menurut UU No. 31 Thn 1999 tentang tindak pidan korupsi dan sudah dilakukan pembaruan dengan UU No. 20 Thn 2001, definisi korupsi atau rasuah merupakan sebuah perbuatan tidak jujur atau penyelewengan yang dilakukan karena adanya suatu pemberian. Dalam prakteknya, korupsi lebih dikenal sebagai menerima uang yang ada hubungannya dengan jabatan atas imbalan tertentu yang diberikan. Menurut data dari Kejaksaan RI tingkat korupsi di Indonesia makin tahun makin meningkat baik dari tingkat daerah hingga tingkat Pusat. Peneletian ini menggunakan metode pengumpulan data dari data simkari Kejaksaan RI. Dan untuk analisis menggunakan data mining dengan metode klastering dengan algoritma K-Means. Hasil penelitian di peroleh 3 cluster/kelompok berdasarkan kelompok tingkat kerawanan tindak pidana korupsi. Hasil evaluasi berupa Davies Bouldin Index (DBI)sudah dituliskan pada bagian ini. 2 klaster 0,316 sementara pada 3 klaster 0,113 dan pemodelan 4 klaster 0,618. Dengan demikian model terbaik adalah pada terbentuknya 3 klaster dengan nilai DBI sebesar 0,113. DBI terkecil menyatakan bahwa model memiliki bentuk klaster terbaik sebanyak 3.Hasil penelitian menunjukkan bahwa wilayah dengan kategori rawan tindak pidana korupsi berada pada pulau sumatra ada 5 wilayah, pulau jawa ada 3 wilayah dan pulau sulawesi dan kalimantan ada 1 wilayah.
Kata kunci: Korupsi, K-Means, Klustering, Data mining
K-MEANS ALGORITHM ANALYSIS FOR CORRUPTION CRIMINAL
CLASTERIZATION IN INDONESIA'S LAW
Abstract
Post-independence, Indonesia is still facing a war, namely the war against corruption which has become a culture in Indonesia so far. In 1999 the government issued Law No. 31 on corruption eradication and in 2001 the government changed it with Law No. 20. According to Law no. 31 of 1999 concerning criminal acts of corruption and reformation has been carried out by Law no. 20 Year 2001, the definition of corruption or rasuah is an act of dishonesty or fraud committed because of a gift. In practice, corruption is better known as receiving money in connection with a position for certain rewards given. According to data from the Indonesian Prosecutor's Office, the level of corruption in Indonesia is increasing every year, from the regional to the central level. This research uses the method of collecting data from simkari data from the RI Attorney General's Office. And for analysis using data mining with the clustering method with the K-Means algorithm. The research results were obtained by 3 clusters / groups based on the level of vulnerability of corruption. The results of the evaluation in the form of the Davies Bouldin Index (DBI) have been written in this section. 2 clusters 0.316 while in 3 clusters 0.113 and modeling 4 clusters 0.618. Thus, the best model is the formation of 3 clusters with a DBI value of 0.113. The smallest DBI states that the model has the best cluster shape as many as 3. The results show that the regions with the category of prone to corruption are 5 regions on the island of Sumatra, 3 in Java, and 1 in Sulawesi and Kalimantan.
Keywords: Corruption, K-Means, Clustering, Data mining
1. PENDAHULUAN Pasca kemerdekaan, Indonesia masih
yang sudah menjadi budaya di Indonesia selama ini. Ditahun 1999 pemerintah telah mengeluarkan UU No 31 tentang pemberantaasan korupsi dan pada tahun 2001 pemerintah memperbaruhinya dengan UU No 20, definisi korupsi atau rasuah merupakan sebuah tindakan perbuatan tidak jujur atau penyelewengan yang dilakukan karena adanya suatu pemberian. Dalam prakteknya, korupsi lebih dikenal sebagai menerima uang yang ada hubungannya dengan jabatan atas imbalan tertentu yang diberikan. Adapun rumusan dari jenis tindak korupsi,yang di kelompokkan diantaranya kerugian kuangan negara, penyuapan, penyalahgunaan jabatan, curang, kepentingan dalam pengadaan, gratifikasi.
Dalam upaya memberantas tindak pidana korupsi, pemerintah telah mengeluarkan beberapa regulasi terhadap usaha untuk memberantas korupsi, sebagai contoh peraturan yang mengatur kejahatan korupsi dalam hal ini Kejaksaan RI dan Polri memainkan peranan penting dalam memberantas korupsi. Oleh karena itu perlu adanya terobosan dalam menangani kejahatan korupsi tersebut, yang diantaranya mendorong transaparasi penyelenggaraan negara, memberikan rekomendasi kepada kementerian dan lembaga untuk melakukan langkah-langkah perbaikan, memoderinsasi pelayanan publik dengan online atau berbasis IT dan dilakukan pengawasan yang terintegritas.
Studi terdahulu yang melakukan analisis data korupsi telah dilakukan, yaitu Analisis hasil audit pemerintahan dan tingka korupsi pemerintahan provinsi di indonesia dengan teori keagenan opini audit dan temuan audit tidak berpengaruh terhadap korupsi [11]. Penelitian lain juga menganalisis data korupsi dengan metode Support Vector Machine yang hasilnya bahwa model SVM dapat melakukan pengklasfika sian respon publik tentang isi RUU KPK dengan baik [2]. Sejauh pengamatan yang dilakukan, masih sangat minim jurnal yang menggunakan data korupsi. Untuk kasus korupsi di Indonesia bahkan belum pernah diklasterisasi dengan metode ilmiah. Penelitian ini mengusulkan metode klasterisasi data mining untuk mengelompokkan wilayah hukum berdasarkan data kasus korupsi dari SIMKARI (Sistem Informasi Manajemen Kejaksaan Republik Indonesia)
Untuk teknik pengolahan data menggunakan teknik data mining, dengan menggunakan Algoritma K-Means, karena K-Means merupakan salah satu algoritma clustering. Yang terbukti sangat populer dalam model klasterisasi. Algoritma K-Means merupakan suatu algoritma yang sederhana, mudah untuk di implementasikan dan mampu untuk mengklaster data yang besar [7]. untuk mengklasifikasikan atau mengelompokan sejumlah besar obyek dengan atribut tertentu kedalam kelompok-kelompok sejumlah K.
Dengan memanfaatkan metode K-Means supaya untuk menganalisa korupsi di Indonesia. Pendekatan dibentuk dengan cara digabungkannya
teknik klasterisasi pada K-Means diperuntukan untuk pengelompokkan data yang sama. Keuntungan atas data-data yang sama sangat signifikan akan timbul jika menggunakan teknik klastering .
Berdasarkan pada latar belakang, terdapat permasalahan yang terjadi yaitu upaya pengelompokan kasus korupsi di wilayah hukum Indonesia. Dalam upaya meminimalisir tindak pidana korupsi diperlukan metode untuk mengelompokan tindak pidana korupsi tersebut sehingga bisa Kejaksaan atau KPK dalam membasmi dan menangkap para pelaku tindak pidana korupsi. Pada penelitian ini, dirumuskan permasalahan dengan cara diantaranya Menggunakan kedekatan jarak euclidean distance untuk menganalisa K-Means Clustering dan melakukan pengelompokan data ke dalam kategori tindak pidana korupsi paling tinggi, menengah dan cukup menggunakan metode clustering.
Dalam penelitian ini bertujuan untuk bagaimana metode K-means Klasterisasi bisa digunakan dalam mengelompokan data-data tentang tindak pidana korupsi diantaranya dapat membantu KPK, Kepolisian dan Kejaksaan dalam mengelompokan kejahatan korupsi, memberikan gambaran kepada KPK maupun Kejaksaan RI, daerah mana saja yang sering terilbat tindak pidana korupsi, dapat memberikan acuan dalam memetakan daerah rawan tindak pidana korupsi di wilayah Indonesia.
Pada penelitian ini, menggunakan jenis model penelitian eksperimen yaitu mengelompokan tindak pidana korupsi di Indonesia dengan menggunakan Algoritma K-means sebagai fungsi pengelompokan atau klasterisai yang sangat besar jumlahna dan untuk penelitian ini mengambil dataset tindak pidana korupsi pada tahun 2014 dan data diambil dari data dari Kejaksaan RI, variabel yang digunakan adalah tahun SPDP, tahun Penuntutan yang ditangani oleh Kejaksaan, dalam penelitian nanti dilakukan penyamaran nama Kejati menjadi nama pulau atau pulau terdekatnya.
2. METODE PENELITIAN
Penelitian ini akan menggunakan data yang diolah merupakan dataset tindak pidana korupsi dari tahun 2014. Dataset tindak pidana korupsi terdiri dari atribut Jumlah SPDP, Jumlah Penuntutan, Belum Selesai, berdasarkan wilayah. Data yang akan diuji terdiri dari 1102 data tindak pidana korupsi seluruh Indonesia
Pada penelitian ini pengelompokan tindak pidana korupsi dari data yang diperoleh menggunakan algoritma K-Means. Karena K-means merupakan cara clustering yang paling simpel. Karena K-means memiliki kemampuan untuk menggabungkan data yang cukup besar jumlah dalam waktu yang relatif cepat dan efektif. Metode K-Means adalah suatu pola yang menggunakan algoritma klasterisasi data yang berbasis jarak untuk dibagi ke dalam cluster dan untuk atributnya hanya berbentuk numerik.
MULAI
Jumlah cluster K
Tentukan Centroid
Tentukan jarak setiap data terhadap setiap
centroid
Kelompokan data berdasarkan jarak
terkecil
Objek tidak ada yang berpindah
group? Selesai
Gambar 2.Flowchar Algoritma K-Means Klasterisasi Langkah – langkah penelitian untuk pengambilan sampel yang diantaranya sebagai berikut:
a. Tentukan K sebagai jumlah cluster yang akan dibentuk
b. Buat K centroid secara random
c. Hitung jarak setiap data ke masing – masing centroid
d. Setiap data memilih centroid yang terdekat e. Tentukan posisi centroid yang baru dengan cara
menghitung nilai rata-rata dari data-data yang terletak pada centroid yang sama
f. Jika posisi centroid baru dengan centroid yang lama masih belum memiliki kesamaan ma diulang lagi pada langkah ke 3 sampai menemukan kesamaan.
g. Tentukan jumlah klaster yang akan dibentuk dan k sebagai nilainya
h. Hitung jarak setiap inputan terhadap centroid – centroid menggunakan persamaan Euclidean, dengan rumus i
𝐷(𝑥, 𝑦) = |𝑥 − 𝑦| = √∑𝑛1=𝑖(𝑥𝑖− 𝑦𝑖)2 (i)
3. HASIL DAN PEMBAHASAN
Data Tindak pidana korupsi di Indonesia ditangani oleh 33 wilayah di tahun 2014 dan semua data tindak pidana Korupsi masing-masing wilayah akan dijadikan contoh pemprosesan dengan cara Data Mining. Format data tersebut berupa data Microsoft Excel dan dilakukan proses pengujian menggunakan tool aplikasi rapidminer yang bisa mengolah data file tipe .xls. Dari hasil pengolahan data penelitian ini menggunakan data tindak pidana korupsi tahun 2014 yang dapat dilihat dalam tabel berikut.
Tabel ke-1 Data Master Tindak Pidana Korupsi Tahun 2014 No Wilayah SPDP Putus an Belum Selesai 1 Sumatra1 140 91 49 2 Bali1 6 2 4 3 Sumatra2 4 2 2 No Wilayah SPDP Putus an Belum Selesai 4 Jawa1 8 8 0 5 Sumatra3 50 37 13 6 Jawa2 18 12 6 7 Jawa3 41 24 17 8 Sulawesi1 7 6 1 9 Sumatra4 97 46 51 10 Jawa4 26 20 6 11 Jawa5 55 33 22 12 Jawa6 41 25 16 13 Kalimantan1 28 14 14 14 Kalimantan2 29 24 5 15 Kalimantan3 11 9 2 16 Kalimantan4 13 4 9 17 Sumatra5 4 4 0 18 Sumatra6 25 17 8 19 Papua1 31 11 20 20 Papua2 17 8 9 21 Bali2 8 5 3 22 Bali3 37 24 13 23 Papua3 4 0 4 24 Papua4 1 1 0 25 Sumatra7 78 55 23 26 Sulawesi2 3 2 1 27 Sulawesi3 12 9 3 28 Sulawesi4 8 5 3 29 Sulawesi5 10 3 7 30 Sulawesi6 15 8 7 31 Sulawesi7 95 56 39 32 Sumatra8 107 69 38 33 Sumatra9 73 49 24
Data yang akan digunakan penelitian ini adalah Jumlah Kasus, Kasus Selesai, untuk menentukan berapa jumlah cluster dan awal titik cluster pusat secara acak.
Dari hasil tersebut, bisa disimpulkan dari tiap-tiap titik awal cluster yang berdasarkan urutan. Untuk menentukan wilayah yang terjadi tindak pidana korupsi tidak rawan pidana korupsi sedang dan rawan tindak pidana korupsi sebagai berikut:
• Cluster pusat I: Data ke-1 Wilayah Sumater 1 dengan SPDP = 140 dan Putusan 91
• Cluster pusat II: Data ke-14 Wilayah Kalimantan2 dengan SPDP = 29 dan Putusan 24
• Cluster pusat III: Data ke-29 Wilayah Sulawesi5 dengan SPDP = 10 dan Putusan 3.
Untuk hasil tersebut diilustrasikan sebagai berikut:2
a. Iterasi I Dt-1 ke Cluster Pusat I = √(140 − 140)2+ (91 − 91)2 = 0 Dt-2 ke Cluster Pusat I = √(6 − 140)2+ (2 − 91)2 = 160,863296 Dt-3 ke Cluster Pusat I
= √(4 − 140)2+ (2 − 91)2 = 162,5330736 Dt-4 ke Cluster Pusat I = √(8 − 140)2+ (8 − 91)2 = 155,9262646 Dt-5 ke Cluster Pusat I = √(50 − 140)2+ (37 − 91)2 = 104,9571341 Dt-6 ke Cluster Pusat I = √(18 − 140)2+ (12 − 91)2 = 145,3444185 Dt-7 ke Cluster Pusat I = √(41 − 140)2+ (24 − 91)2 =119,540788 Dt-8 ke Cluster Pusat I = √(7 − 140)2+ (6 − 91)2 = 157,8416928 Dt-9 ke Cluster Pusat I = √(97 − 140)2+ (46 − 91)2 = 62,24146528 Dt-10 ke Cluster Pusat I = √(26 − 140)2+ (20 − 91)2 = 134,3018987 Dt-11 ke Cluster Pusat I = √(55 − 140)2+ (33 − 91)2 = 102,9028668 Dt-12 ke Cluster Pusat I = √(41 − 140)2+ (25 − 91)2 = 118,9831921 Dt-13 ke Cluster Pusat I = √(28 − 140)2+ (14 − 91)2 = 135,915414 Dt-14 ke Cluster Pusat I = √(29 − 140)2+ (24 − 91)2 = 129,6533841 Dt-15 ke Cluster Pusat I = √(11 − 140)2+ (9 − 91)2 = 152,8561415 Dt-16 ke Cluster Pusat I = √(13 − 140)2+ (4 − 91)2 = 153,9415473 Dt-17 ke Cluster Pusat I = √(4 − 140)2+ (4 − 91)2 = 161,4465856 Dt-18 ke Cluster Pusat I = √(25 − 140)2+ (17 − 91)2 = 136,7515996 Dt-19 ke Cluster Pusat I = √(31 − 140)2+ (11 − 91)2 = 135,2072483 Dt-20 ke Cluster Pusat I = √(17 − 140)2+ (8 − 91)2 = 148,3846353 Dt-21 ke Cluster Pusat I = √(8 − 140)2+ (5 − 91)2 = 157,5436447 Dt-22 ke Cluster Pusat I = √(37 − 140)2+ (24 − 91)2 = 122,8739191 Dt-23 ke Cluster Pusat I = √(4 − 140)2+ (0 − 91)2 = 163,6367929 Dt-24 ke Cluster Pusat I = √(1 − 140)2+ (1 − 91)2 = 165,5928742 Dt-25 ke Cluster Pusat I = √(78 − 140)2+ (55 − 91)2 = 71,69379332 Dt-26 ke Cluster Pusat I = √(3 − 140)2+ (2 − 91)2 = 163,370744 Dt-27 ke Cluster Pusat I = √(12 − 140)2+ (9 − 91)2 = 152,0131573 Dt-28 ke Cluster Pusat I = √(8 − 140)2+ (5 − 91)2 = 157,5436447 Dt-29 ke Cluster Pusat I = √(10 − 140)2+ (3 − 91)2 = 156,9840756 Dt-30 ke Cluster Pusat I = √(15 − 140)2+ (8 − 91)2 = 150,0466594 Dt-31 ke Cluster Pusat I = √(95 − 140)2+ (8 − 91)2 = 57,00877125 Dt-32 ke Cluster Pusat I = √(107 − 140)2+ (69 − 91)2 = 39,66106403 Dt-33 ke Cluster Pusat I = √(73 − 140)2+ (49 − 91)2 = 79,07591289
Dari perhitungan tersebut diatas yang menggunakan persamaan Euclidian Distance terhadap iterasi I tersebut diatas dapat diamati di tabel ini:
Tabel ke-2 Iterasi I
No Wilayah C1 C2 C3 1 Sumatra1 0,00 129,65 156,98 2 Bali1 160,86 31,83 4,12 3 Sumatra2 162,53 33,30 6,08 4 Jawa1 155,93 26,40 5,39 5 Sumatra3 104,96 24,70 52,50 6 Jawa2 145,34 16,28 12,04 7 Jawa3 119,54 12,00 37,44 8 Sulawesi1 157,84 28,43 4,24 9 Sumatra4 62,24 71,47 97,05 10 Jawa4 134,30 5,00 23,35 11 Jawa5 102,90 27,51 54,08 12 Jawa6 118,98 12,04 38,01 13 Kalimantan1 135,92 10,05 21,10 14 Kalimantan2 129,65 0,00 28,32
No Wilayah C1 C2 C3 15 Kalimantan3 152,86 23,43 6,08 16 Kalimantan4 153,94 25,61 3,16 17 Sumatra5 161,45 32,02 6,08 18 Sumatra6 136,75 8,06 20,52 19 Papua1 135,21 13,15 22,47 20 Papua2 148,38 20,00 8,60 21 Bali2 157,54 28,32 2,83 22 Bali3 122,87 8,00 34,21 23 Papua3 163,64 34,66 6,71 24 Papua4 165,59 36,24 9,22 25 Sumatra7 71,69 57,98 85,60 26 Sulawesi2 163,37 34,06 7,07 27 Sulawesi3 152,01 22,67 6,32 28 Sulawesi4 157,54 28,32 2,83 29 Sulawesi5 156,98 28,32 0,00 30 Sulawesi6 150,05 21,26 7,07 31 Sulawesi7 57,01 73,35 100,17 32 Sumatra8 39,66 90,05 117,32 33 Sumatra9 79,08 50,61 78,01
Dan untuk tahap selanjutnya ditentukan cluster pusat yang jaraknya terpendek terhadap awal cluster yang pemilihannya dilakukan secara acak, dimana untuk jaraknya terpendek dengan cluster ditentukan dengan rumus 𝑀𝐼𝑁(𝐶𝑖𝑗 ∶ 𝐶𝑘𝑗∶ 𝐶𝑙𝑗) yang mana untuk menentukan hasil jarak terpendek tersebut terhadap cluster juga bisa dilihat sesuai tabel dibawah
Tabel ke-3 Biner jarak terdekat data terhadap Cluster
Data Ke Wilayah C1 C2 C3 Cluster
1 Sumatra1 1 0 0 C1 2 Bali1 0 0 1 C3 3 Sumatra2 0 0 1 C3 4 Jawa1 0 0 1 C3 6 Sumatra3 0 0 1 C3 7 Jawa2 0 1 0 C2 8 Jawa3 0 0 1 C3 9 Sulawesi1 1 0 0 C1 10 Sumatra4 0 1 0 C2 11 Jawa4 0 1 0 C2 12 Jawa5 0 1 0 C2 13 Jawa6 0 1 0 C2 14 Kalimantan1 0 1 0 C2 15 Kalimantan2 0 0 1 C3 16 Kalimantan3 0 0 1 C3 17 Kalimantan4 0 0 1 C3 18 Sumatra5 0 1 0 C2 19 Sumatra6 0 1 0 C2 20 Papua1 0 0 1 C3 21 Papua2 0 0 1 C3 22 Bali2 0 1 0 C2 23 Bali3 0 0 1 C3 24 Papua3 0 0 1 C3 25 Papua4 0 1 0 C2 26 Sumatra7 0 0 1 C3 27 Sulawesi2 0 0 1 C3 28 Sulawesi3 0 0 1 C3 29 Sulawesi4 0 0 1 C3 30 Sulawesi5 0 0 1 C3 31 Sulawesi6 1 0 0 C1 32 Sulawesi7 1 0 0 C1 33 Sumatra8 0 1 0 C2
Berdasarkan hasil minimum nilai yang didapat pada penggunaan rumus dan hasilnya juga dapat dilihat maka dapat dikelompokan seperti berikut:
Tabel ke-4 Hasil iterasi / pengelompokan Cluster
Group
Data Cluster Jumlah Data
1 Wilayah 1,9,31,32 4 2 Wulayah 5,7,10,11,12,13,14,18,19,22,25,33 12 3 Wilayah 2,3,4,6,8,15,16,17,20,21,23,24,26,27,28,3 0 17
Selanjutnya untuk iterasi ke-2 s/d iterasi terakhir bisa digambarkan sesuai tabel berikut:
Tabel 5 Iterasi biner ke 4 Data
Ke
Wilayah Jarak Centroid
C1 C2 C3 1 Sumatra1 0 0 1 2 Bali1 0 1 0 3 Sumatra2 0 0 1 4 Jawa1 0 1 0 5 Sumatra3 0 0 1 6 Jawa2 0 1 0 7 Jawa3 0 0 1 8 Sulawesi1 0 1 0 9 Sumatra4 1 0 0 10 Jawa4 0 1 0 11 Jawa5 0 0 1 12 Jawa6 0 0 1 13 Kalimantan1 0 0 1 14 Kalimantan2 0 1 0 15 Kalimantan3 0 1 0 16 Kalimantan4 0 1 0 17 Sumatra5 0 0 1 18 Sumatra6 0 1 0 19 Papua1 0 1 0 20 Papua2 0 1 0 21 Bali2 0 1 0 22 Bali3 0 1 0 23 Papua3 0 1 0 24 Papua4 0 0 1 25 Sumatra7 0 0 1 26 Sulawesi2 0 0 1 27 Sulawesi3 0 1 0 28 Sulawesi4 0 1 0 29 Sulawesi5 0 1 0 30 Sulawesi6 0 1 0 31 Sulawesi7 1 0 0 32 Sumatra8 1 0 0 33 Sumatra9 0 0 1
Hasil evaluasi berupa Davies Bouldin Index (DBI)sudah dituliskan pada bagian ini. 2 klaster 0,316 sementara pada 3 klaster 0,113 dan pemodelan 4 klaster 0,618. Dengan demikian model terbaik adalah pada terbentuknya 3 klaster dengan nilai DBI sebesar
0,113. DBI terkecil menyatakan bahwa model memiliki bentuk klaster terbaik sebanyak 3.. Untuk membuktikan hasil dari pengelompokan bisa dilihat di tabel yang jarak / C3 adalah wilayah rawan terjadinya korupsi berada di wilayah dengan kategori rawan tindak pidana korupsi berada pada pulau sumatra ada 5 wilayah, pulau jawa ada 3 wilayah dan pulau sulawesi dan kalimantan ada 1 wilayah.
4. KESIMPULAN
Berdasakan hasil penelitian dan pembahasan tersebut diatas, dapat disimpulkan diantaranya: 1. Pengelompokan daerah rawan tindak pidana
korupsi di wilayah indonesia belum bisa dijadikan, dikarenakan belum ada inovasi untuk memetakan wilayah yang dianggap sebagai kelompok rawan dan saat ini pengelompokan belum secara modern.
2. Pembagian kategori yang didapat dari data-data SPDP, penuntutan kemudian katergori tersebut dirubah menjadi wilayah tidak rawan tindak pidana korupsi, cukup dan rawan sebagai nilai yang bisa dihasilkan pada masing-masing cluster.
5. DAFTAR PUSTAKA
[1] R. Rini and L. Damiati, 2017. “Analisis Hasil Audit Pemerintahan dan Tingkat Korupsi Pemerintahan Provinsi di Indonesia,” J. Din. Akunt. dan Bisnis, vol. 4, no. 1, pp. 73–90, doi: 10.24815/jdab.v4i1.4933.
[2] R. Nooraeni, H. D. Sariyanti, A. F. F. Iskandar, S. F. Munawwaroh, S. Pertiwi, and Y. Ronaldias, 2020. “Analisis Sentimen Data Twitter Mengenai Isu RUU KPK Dengan Metode Support Vector Machine (SVM),” Paradig. - J. Komput. dan Inform., vol. 22, no. 1, pp. 55–60, 2020, doi: 10.31294/p.v22i1.6869. [3] Hernawati and W. Gata,2019. “Sentimen Analisis Operasi Tangkap Tangan KPK Menurut Masyarakat Menggunakan Algoritma Support Vector Machine , Naive Bayes Berbasis Particle Swarm Optimizition,” Fakt. Exacta, vol. 12, no. 3, pp. 230–243, doi: 10.30998/faktorexacta.v12i3.4992.
[4] R. Hablum, A. Khairan, and R. Rosihan, 2019. “Clustering Hasil Tangkap Ikan Di Pelabuhan Perikanan Nusantara (Ppn) Ternate Menggunakan Algoritma K-Means,” JIKO (Jurnal Inform. dan Komputer), vol. 2, no. 1, pp. 26–33, doi: 10.33387/jiko.v2i1.1053.
[5] J. J. Purnama, 2019. “Analisa Algoritma K-Means Clustering Pemetaan Jumlah Tindak Pidana,” Klik - Kumpul. J. Ilmu Komput., vol. 6, no. 2, p. 128, doi: 10.20527/klik.v6i2.208. [6] L. Suriani, 2020. “Pengelompokan Data
Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak Kriminal Menggunakan Data Mining Algoritma K-Means Clustering,”
J. Sist. Komput. dan Inform., vol. 1, no. 2, p. 151, doi: 10.30865/json.v1i2.1955.
[7] U. T. Suryadi and Y. Supriatna, 2019. “Sistem Clustering Tindak Kejahatan Pencurian Di Wilayah Jawa Barat Menggunakan Algoritma K-Means,” J. Teknol. Inf. dan Komun., no. April, pp. 1–13.
[8] W. Astuti, A. Widodo, J. T. Elektro, F. Teknik, and U. N. Semarang, 2016. “Pemetaan Tindak Kejahatan Jalanan di Kota Semarang Menggunakan Algoritma K-Means Clustering,” vol. 8, no. 1, pp. 5–7.
[9] I. T. Utami, R. Rais, and W. Seftiani, 2019. “Analisis Klaster Pautan Lengkap Untuk Mengelompokkan Kabupaten/Kota Di Provinsi Sulawesi Tengah Berdasarkan Indikator Kriminalitas,” J. Ilm. Mat. Dan Terap., vol. 16,
no. 1, pp. 79–88, doi:
10.22487/2540766x.2019.v16.i1.12757. [10] M. S. Fajar, 2015. “DI KOTA SEMARANG
MENGGUNAKAN METODE K-MEANS
CLUSTERING,”.
[11] I. Method, K. C. Based, S. Value, W. Interface, C. Study, and I. U. M. M. Magelang, 2015. “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface di UMM" Jurusan Teknik Informatika” vol. 18, no. 1, pp. 76–82.
